許洪華 徐 馳 顧玲麗 劉青松

(蘇州科技大學(xué)電子與信息工程學(xué)院 江蘇 蘇州 215009)

0 引 言

對于目前各種網(wǎng)絡(luò)而言，其網(wǎng)絡(luò)節(jié)點(diǎn)存在各異方式，針對各異的網(wǎng)絡(luò)節(jié)點(diǎn)，往往主要考量的是對信道資源的合理使用以及信道傳輸信息的可靠性等來評價(jià)一個(gè)系統(tǒng)優(yōu)與劣。而對于信道資源的合理使用和信道傳輸信息的可靠性往往取決于信道的配置以及信道質(zhì)量。

針對上述問題，文獻(xiàn)[1]提出一種以局部未使用的頻譜增加系統(tǒng)的總?cè)萘浚渫茖?dǎo)出頻譜池系統(tǒng)的總頻譜效率以及可能的成對通信最大數(shù)目。文獻(xiàn)[2]在已建頻譜池的基礎(chǔ)上,提出了頻譜空穴空閑時(shí)間由長到短的排隊(duì)時(shí)間模型,并對該模型下的頻譜切換概率問題進(jìn)行對比研究。文獻(xiàn)[3]的認(rèn)知無線電中的關(guān)鍵技術(shù)包括動態(tài)頻譜感知、動態(tài)頻譜分配以及動態(tài)頻譜管理。文獻(xiàn)[4]介紹了傳統(tǒng)的信道資源分配都是以list-coloring算法、CSGC算法、Local bargaining算法以及并行分配算法作為分配的模型，同時(shí)提出了一種新的DSA策略。該策略建立在頻譜池的基礎(chǔ)之上，較即時(shí)接入方式有較高的接入效率。文獻(xiàn)[5]提出了一種介于信道節(jié)點(diǎn)的動態(tài)頻譜分配法，對上述所列算法略作解釋，其核心算法為圖論算法，是以考慮用戶所獲得的帶寬效益為主要目的，并沒有結(jié)合用戶實(shí)際需求相結(jié)合，甚至?xí)?dǎo)致分配給用戶的信道與用戶的所需出現(xiàn)不匹配，同時(shí)造成時(shí)間開銷大。文獻(xiàn)[6]提出一種結(jié)合遺傳算法和模擬退火算法的信道分配方案，針對多接口多信道分配問題,以最小化信道干擾為目標(biāo), 實(shí)現(xiàn)對網(wǎng)絡(luò)吞吐量進(jìn)行提高和較低的信道沖突。文獻(xiàn)[7]針對多信道單無線電認(rèn)知無線電網(wǎng)絡(luò)，提出了一種新的混合動態(tài)頻譜接入方法，該方法將經(jīng)典和隨機(jī)兩種方法與新的遺傳算子相結(jié)合。對于頻譜池而言，文獻(xiàn)[8]給出了一種關(guān)于頻譜池在認(rèn)知無線電的應(yīng)用，并詳細(xì)列出了認(rèn)知無線電能夠有效解決頻率資源的稀缺性和低利用率之間的矛盾，使得頻率資源得到合理的利用。文獻(xiàn)[9]提出一種基于能量均衡的可靠傳輸調(diào)度算法，可以避免因?yàn)楣?jié)點(diǎn)消失而造成信號發(fā)送失敗的情況,增加工業(yè)無線通信的可靠性傳輸，但僅有的研究建立能量均衡的前提下，不具一般性。文獻(xiàn)[10]提出了一種新的動態(tài)頻譜接入策略，該策略以頻譜池為基礎(chǔ)，利用即時(shí)方式具有更高的接入效率，研究了頻譜池的最佳容量和更新時(shí)間，發(fā)現(xiàn)存在定量的數(shù)學(xué)關(guān)系。文獻(xiàn)[11]提出了一種新的層次博弈理論模型，該模型由重疊的聯(lián)盟形成博弈模型和非合作博弈模型組成，分析了供應(yīng)商之間的價(jià)格合作/競爭策略，研究了供應(yīng)商之間的資源競爭。文獻(xiàn)[12]提出一種頻譜合作的方法解決不同的次用戶感知信道的信息的分異，同時(shí)使用融合準(zhǔn)則理論推導(dǎo)獲得出解決方案的優(yōu)處。文獻(xiàn)[13]提出一種基于遺傳算法的多信道頻譜感知方法，以數(shù)學(xué)模型構(gòu)建系統(tǒng)效用、感知收益以及由感知錯(cuò)誤引起的系統(tǒng)開銷概念，利用遺傳算法有效解決多個(gè)認(rèn)知用戶在較短感知時(shí)隙內(nèi)共同感知多個(gè)異構(gòu)信道的問題。文獻(xiàn)[14]提出了一種認(rèn)知無線電網(wǎng)絡(luò)協(xié)同頻譜感知的最優(yōu)軟融合方案，其利用融合中心全局測試統(tǒng)計(jì)偏差系數(shù)最大的基礎(chǔ)上，在Neyman-Pearson框架下，推導(dǎo)了中繼傳感觀測的最優(yōu)軟融合方案。文獻(xiàn)[15-16]對無限傳感網(wǎng)絡(luò)中的數(shù)據(jù)建立融合模型，提高數(shù)據(jù)可靠性。

本文研究主要集中解決關(guān)于在線星型網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中信道優(yōu)化分配和信道資源合理配置問題。為了解決對通信系統(tǒng)的性能評估和對信道源的分配，以信道的可靠性作為解決對象，采用評估信道質(zhì)量為基礎(chǔ)，運(yùn)用在線排隊(duì)模型為算法基礎(chǔ)，以簇頭處感知信道和網(wǎng)關(guān)節(jié)點(diǎn)感知干擾合作改進(jìn)在線排隊(duì)模型，利用遺傳算法改進(jìn)網(wǎng)關(guān)節(jié)點(diǎn)權(quán)重，探索得出優(yōu)化信道資源分配。

1 相關(guān)研究

1.1 感知頻譜

認(rèn)知無線電的立場是不影響授權(quán)信道的正常通信線，具有認(rèn)知功能的無線通信設(shè)備，按照特定的方式接入后授權(quán)的信道，進(jìn)入其先授權(quán)的信道內(nèi)可以起到動態(tài)的利用信道或頻譜。其結(jié)構(gòu)如圖1所示。

圖1 感知頻譜結(jié)構(gòu)

在感知頻譜的租賃系統(tǒng)RS終端需要進(jìn)行適當(dāng)假設(shè):(1) 假設(shè)在RS探測頻譜時(shí)間內(nèi)，上層協(xié)議必須保證所有的RS用戶沉默，換言之，需要空中僅存在授權(quán)系統(tǒng)LS發(fā)射的功率；(2) 假設(shè)頻譜探測在RSU和LS用戶之間沒有直視線路的情況，該假設(shè)可以滿足在兩者之間有直視路徑時(shí)，檢測到的LS功率將會比較大，從而將檢測的結(jié)果變得更好。

在AP處的頻譜信息的收集和廣播在各個(gè)RS終端探測完成頻譜后，該探測信息應(yīng)該被傳送到AP處，并在AP處進(jìn)行邏輯或運(yùn)算。當(dāng)任意一個(gè)RS終端檢測到其中一個(gè)子頻帶被LU占用，則認(rèn)為該子頻帶不可用，同時(shí)將會最大限度地減少RS對LU的干擾。

1.2 整體設(shè)計(jì)模型感知

當(dāng)前在人工智能算法中通常都是以在線和離線兩種方式進(jìn)行實(shí)驗(yàn)操作，本文以在線為主，利用底層簇頭感知與網(wǎng)關(guān)節(jié)點(diǎn)感知實(shí)現(xiàn)對信道不間斷的在線感知。以在線排隊(duì)和在線篩選信道的可靠性選擇優(yōu)劣次序，運(yùn)用簇頭處感知信道和網(wǎng)關(guān)節(jié)點(diǎn)信道故障感知進(jìn)行合作篩選，最終得出簇頭處信道資源分配的優(yōu)化矩陣。同時(shí)利用遺傳算法對網(wǎng)關(guān)節(jié)點(diǎn)處的專家經(jīng)驗(yàn)所得的權(quán)重比進(jìn)行優(yōu)化，優(yōu)化后的權(quán)重將極大程度提高整個(gè)系統(tǒng)的效率。整體架構(gòu)如圖2所示。

圖2 整體架構(gòu)

2 信道質(zhì)量評估的簇頭感知中心模型

在一條主網(wǎng)絡(luò)上假設(shè)存在完整的節(jié)點(diǎn)通信，共有N個(gè)網(wǎng)關(guān)節(jié)點(diǎn)，每個(gè)網(wǎng)關(guān)節(jié)點(diǎn)均有完整的子網(wǎng)絡(luò)。假設(shè)其中一個(gè)網(wǎng)關(guān)節(jié)點(diǎn)下方的子網(wǎng)絡(luò)存在n個(gè)AP節(jié)點(diǎn)，A={a1,a2,…,an}，如圖3所示為線星型網(wǎng)絡(luò)，每個(gè)子網(wǎng)絡(luò)都存在m個(gè)信道且信道的質(zhì)量均不相同，C={c1,c2,…,cm}。

圖3 線星型網(wǎng)絡(luò)拓補(bǔ)結(jié)構(gòu)

2.1 信道感知與外界干擾信道模型

對于信道而言，其質(zhì)量的好壞取決于外界對信道的影響，當(dāng)外界對信道發(fā)生影響時(shí)，信道感知外界必然會出現(xiàn)一定的故障，故障率會隨著時(shí)間的推移逐漸變化，進(jìn)而影響信道傳輸信息最終的質(zhì)量。設(shè)某一簇頭進(jìn)行感知外界工作按照ai(ti,t)通信周期進(jìn)行感知(i為某一簇頭結(jié)點(diǎn)序列)。在簇頭感知外界能量消耗完之前，簇頭以感知到外界通信事務(wù)周期時(shí)間為ai(t)進(jìn)行工作，在簇頭感知通信事務(wù)周期內(nèi)，隨后該簇頭將進(jìn)入沉睡期(沉睡期較長)，其沉睡期的時(shí)間為ai(t-ti)。

對于網(wǎng)關(guān)節(jié)點(diǎn)而言，其本身可接受來自子網(wǎng)絡(luò)的傳輸信息，并可自行感知外界信息，但是由于網(wǎng)關(guān)節(jié)點(diǎn)感知通信事務(wù)出現(xiàn)干擾的時(shí)間數(shù)存在隨機(jī)性，其感知信道不存在特定的周期。在網(wǎng)關(guān)節(jié)點(diǎn)感知外界時(shí)，可感知出外界對當(dāng)前信道的干擾信號的通信時(shí)間，以第一網(wǎng)關(guān)節(jié)點(diǎn)為例，以感知到干擾信道cm信號開始算起到感知干擾信號消失，其工作的時(shí)間為N1(T1)，同時(shí)設(shè)定從當(dāng)前時(shí)刻算起到下一次感知到信道信息的時(shí)間為N1(T2)，則可以將網(wǎng)關(guān)節(jié)點(diǎn)感知信道cm的時(shí)間表示為：

N1T=N1(T1)+N1(T2)

(1)

在簇頭處感知外界的通信周期內(nèi)，由于外界環(huán)境的變化會對簇頭存在干擾造成簇頭某段通信周期內(nèi)中感知到錯(cuò)誤信息，其簇頭可以感知到錯(cuò)誤信息出現(xiàn)的概率為：

(2)

網(wǎng)關(guān)節(jié)點(diǎn)可以感知到錯(cuò)誤信息出現(xiàn)的概率為：

(3)

式中:Rate(N1,cm)表示第一項(xiàng)為節(jié)點(diǎn)在[0,aiti/N1T1]感知到干擾信道cm信號出現(xiàn)的概率，由于感知干擾信道的性能是相同的，因此干擾信道的信號出現(xiàn)都將呈現(xiàn)即時(shí)感知。同時(shí)式中第二項(xiàng)為節(jié)點(diǎn)的沉睡期，由于節(jié)點(diǎn)進(jìn)入沉睡期的時(shí)間較長，因此在下一個(gè)周期或者干擾信號來臨時(shí)，其存在感知干擾信道信號出現(xiàn)的可能性變大。

2.2 感知干擾信號模型

對于簇頭而言，所有簇頭具有相同特性，因此其感知信道的工作周期相同，沉睡期和感知工作時(shí)間也將必然按照設(shè)定的順序進(jìn)行。由于同處在一個(gè)網(wǎng)關(guān)節(jié)點(diǎn)下方的所有簇頭應(yīng)具有相同的特性，因此最后一個(gè)簇頭感知信道cm信號時(shí)間結(jié)束后，感知周期結(jié)束標(biāo)記為所有簇頭感知信道信號的一個(gè)周期TN1,該周期包括所有簇頭感知信道工作的所有時(shí)間和簇頭沉睡期的時(shí)間。對于任何一個(gè)簇頭而言，其通信事務(wù)的周期應(yīng)該為感知信道的時(shí)間與沉睡時(shí)間的總和，因此對任何一個(gè)信道，感知信道的時(shí)間就會出現(xiàn)不同。利用信道感知模型可得出對信道cm可能存在的干擾時(shí)間為：若在這段時(shí)間內(nèi)網(wǎng)關(guān)節(jié)點(diǎn)下的簇頭在通信事務(wù)周期內(nèi)感知到信道的通信時(shí)間為S={s1,s2,…,sn}，則簇頭沉睡期為t-s1,t-s2,…,t-sn，根據(jù)式(2)可得出關(guān)于信道感知的矩陣，設(shè)定簇頭關(guān)于通信事務(wù)的工作周期中感知信道的矩陣為T(N1,cm)，則簇頭通信事務(wù)的周期中感知信道的矩陣可以表示為：

(4)

在網(wǎng)關(guān)節(jié)點(diǎn)感知外界干擾信道信號的出現(xiàn)時(shí)，其可靠性的變化來源于兩大因素影響(不考慮網(wǎng)關(guān)節(jié)點(diǎn)與網(wǎng)關(guān)節(jié)點(diǎn)之間的部署)。其一來自外界對信道的干擾，其干擾量直接影響網(wǎng)關(guān)節(jié)點(diǎn)感知信道的質(zhì)量；其二來源于網(wǎng)關(guān)節(jié)點(diǎn)自身，網(wǎng)關(guān)節(jié)點(diǎn)自身的工作時(shí)間與沉睡時(shí)間的變化。利用上述關(guān)于在通信事務(wù)周期內(nèi)簇頭感知到信道的通信時(shí)間為S的前提下，對當(dāng)前網(wǎng)關(guān)節(jié)點(diǎn)進(jìn)行感知信道中是否存有干擾信號的處理。感知到外界干擾信道信號的出現(xiàn)時(shí)，利用式(3)可得出關(guān)于感知矩陣N1OUT(t)，則簇頭通信事務(wù)的周期中感知信道的矩陣可以表示為：

(5)

2.3 量化處理模型

在檢測問題中，為了方便信號的處理、存儲和傳輸，降低系統(tǒng)的復(fù)雜度，需要對檢測到的信號進(jìn)行量化。在檢測信號檢測中，量化后的信號并不需要通過重建來恢復(fù)原始的信號，而是通過某些檢測算法得出最終的判決結(jié)果。與量化失真相比，系統(tǒng)整體的檢測性能更為重要。因此檢測問題中的量化器并不以最小化量化失真為目標(biāo)，而應(yīng)以最優(yōu)化檢測性能為目標(biāo)。從廣義上來講，本地檢測統(tǒng)計(jì)量為一個(gè)連續(xù)幅度的隨機(jī)變量，當(dāng)其數(shù)值大于判決閾值時(shí)，則判決H1為真，反之則判決H0為真。經(jīng)過判決，檢測統(tǒng)計(jì)量從連續(xù)幅度的無限集合被映射為含有兩個(gè)元素的有限集合，因此本地判決過程實(shí)際上是一個(gè)1 bit的量化過程。在集中式的認(rèn)知無線網(wǎng)絡(luò)中，頻譜通常是由中心節(jié)點(diǎn)進(jìn)行管理和分配。假設(shè)量化后的本地檢測節(jié)點(diǎn)的檢測結(jié)果為ui，其中i為本地節(jié)點(diǎn)的編號，根據(jù)上述所設(shè)，可知當(dāng)采用最小錯(cuò)誤概率準(zhǔn)則來推導(dǎo)多比特的判決結(jié)果的最優(yōu)融合準(zhǔn)則時(shí)，最小錯(cuò)誤概率準(zhǔn)則可以表示為：

(6)

轉(zhuǎn)化為對數(shù)似然比檢驗(yàn)形式：

(7)

根據(jù)各節(jié)點(diǎn)所檢測的結(jié)果相互之間獨(dú)立，則有：

(8)

式中：Si表示量化后判決結(jié)果為l的所有節(jié)點(diǎn)的ui的集合，類似的有：

(9)

將式(8)和式(9)代入式(7),化簡可得:

(10)

式中:

(11)

利用上述最優(yōu)融合準(zhǔn)則的模型對簇頭與網(wǎng)關(guān)節(jié)點(diǎn)中的檢測到的信道進(jìn)行量化處理，其量化后的結(jié)果形成標(biāo)準(zhǔn)矩陣，利用形成的簇頭處的量化矩陣和網(wǎng)關(guān)節(jié)點(diǎn)的量化矩陣進(jìn)行下述操作。

2.4 在線信道排隊(duì)模型

根據(jù)上述模型可得到關(guān)于簇頭處量化矩陣和網(wǎng)關(guān)節(jié)點(diǎn)處量化矩陣。由于可靠性的變化直接關(guān)系到簇頭感知信道的排序，利用簇頭處量化矩陣和網(wǎng)關(guān)節(jié)點(diǎn)處量化矩陣對各個(gè)信道進(jìn)行不同的感知(去除節(jié)點(diǎn)自身發(fā)生的故障率)，則可以對點(diǎn)到點(diǎn)、端到端、點(diǎn)到端的信道隊(duì)列進(jìn)行排序。設(shè)定RANK(N,n)為隊(duì)列排序，其中N為網(wǎng)關(guān)節(jié)點(diǎn)，n為其分支下的簇頭的總數(shù)。以第一網(wǎng)關(guān)節(jié)點(diǎn)為例，則排序隊(duì)列為RANK(s)，即在s時(shí)刻時(shí)系統(tǒng)的第一網(wǎng)關(guān)節(jié)點(diǎn)和簇頭感知出的隊(duì)列；將網(wǎng)關(guān)節(jié)點(diǎn)感知的干擾信號與簇頭感知的信道進(jìn)行統(tǒng)計(jì)，該統(tǒng)計(jì)矩陣表示為：

NUM(N1,an,cm)=T(N1,c)·N1OUT(t)

(12)

RANK(s，N1/ai,cm)為s時(shí)刻某信道cm在網(wǎng)關(guān)節(jié)點(diǎn)感知的隊(duì)列中或者在簇頭感知的隊(duì)列中的位置，其取值的范圍為[1，m]的整數(shù)位；RANK(NUM(N1,an,cm))表示的是在對某一個(gè)信道cm感知中所有簇頭感知信道與網(wǎng)關(guān)節(jié)點(diǎn)感知干擾信號處理后的排序。因此，關(guān)于RANK(s)的信道感知干擾信號的排序?yàn)椋?/p>

NUM(RANK(s))=RANK(NUM(N1,an,cm))

(13)

NUM(RANK(s))中排列的信道越靠前表明該信道在網(wǎng)關(guān)節(jié)點(diǎn)感知干擾信號與簇頭感知信道融合的干擾次數(shù)越多，表明該信道的越容易出現(xiàn)故障，利用出現(xiàn)的干擾次數(shù)對在s時(shí)刻的系統(tǒng)中的信道和權(quán)重比列進(jìn)行構(gòu)建s時(shí)刻的簇頭信道隊(duì)列，構(gòu)建如下：

(14)

式中：θ=[θ1,θ2，…,θn]是加權(quán)平均參數(shù)；Kc為一個(gè)排隊(duì)模型；Capture(NUM(RANK(s)))為感知信道干擾信號后的去除或正確排序后的序列。

對于上述加權(quán)參數(shù)而言，第一次感知的權(quán)重系數(shù)可以設(shè)為1，在若干簇頭工作周期后的加權(quán)系數(shù)都將會呈現(xiàn)動態(tài)實(shí)時(shí)的變化，即第c次中所有簇頭在第x次感知中的加權(quán)系數(shù)為θc(x)，則每一次感知后，簇頭的權(quán)重分配變化應(yīng)滿足當(dāng)前的簇頭感知信道與網(wǎng)關(guān)節(jié)點(diǎn)感知干擾相關(guān)，其表達(dá)式為：

(15)

3 基于遺傳算法的網(wǎng)關(guān)節(jié)點(diǎn)信道資源

3.1 構(gòu)建遺傳算法

基于專家意見，按照上述設(shè)計(jì)的方法對網(wǎng)關(guān)節(jié)點(diǎn)感知到的信道在線排隊(duì)矩陣進(jìn)行編排。對于每一個(gè)網(wǎng)關(guān)節(jié)點(diǎn)下形成的小型信道感知矩陣，利用當(dāng)前的網(wǎng)關(guān)節(jié)點(diǎn)對后續(xù)網(wǎng)關(guān)形成的小型信道矩陣進(jìn)行感知，可將后續(xù)每一個(gè)網(wǎng)關(guān)節(jié)點(diǎn)處形成的信道矩陣看成是一個(gè)較為準(zhǔn)確的專家意見，對多個(gè)專家意見進(jìn)行科學(xué)的融合，即可得到較為準(zhǔn)確的網(wǎng)關(guān)節(jié)點(diǎn)的在線信道排隊(duì)模型?？紤]將任意的子網(wǎng)絡(luò)中的信道排序作為一個(gè)專家意見，通過將n個(gè)專家意見進(jìn)行加權(quán)平均獲得最終的信道排序，因此，在N個(gè)AP節(jié)點(diǎn)所對應(yīng)的主網(wǎng)絡(luò)的信道綜合排序可以表示為：

(16)

式中：θ=[θ1,θ2,…,θn]是加權(quán)平均參數(shù)；Rank(aN,C)中的第一個(gè)信道則為最優(yōu)信道。假設(shè)第一個(gè)信道為c，則信道c在當(dāng)前網(wǎng)絡(luò)中的綜合通信質(zhì)量Q(c)可以表示為：

(17)

因此，針對不同的參數(shù)向量θ，可以獲得不同的綜合信道排序，同時(shí)可以獲得在網(wǎng)關(guān)節(jié)點(diǎn)處關(guān)于信道的最終排序和分配，利用遺傳算法，求解最優(yōu)的參數(shù)向量θ。

3.2 信道參數(shù)編碼規(guī)則

對于信道資源分配的優(yōu)化，可以將與信道質(zhì)量評估的參數(shù)向量編碼為一個(gè)二進(jìn)制字符串，其中每一個(gè)向量分量由K個(gè)二進(jìn)制字符組成。假設(shè)θj所對應(yīng)的二進(jìn)制字符串為ωj，則向量θ=θ1,θ2,…,θn的字符串可以表示為ω=ω1,ω2,…,ωn，可以看作是遺傳算法中一個(gè)染色體個(gè)體，ω中的分量與θ參數(shù)分量之間的轉(zhuǎn)換關(guān)系可以表示為：

(18)

假設(shè)θj要精確到x位小數(shù)，可以將閉區(qū)間[xmin,xmax]分(xmax-xmin)×10x等份。假設(shè):

(19)

則θj的二進(jìn)制長度至少為q位，染色體的長度為q×n。

3.3 遺傳算法的信道適應(yīng)度函數(shù)

作為遺傳算法而言，適應(yīng)度函數(shù)是用來評估染色體個(gè)體質(zhì)量的評價(jià)函數(shù)，也是作為選擇操作的基本指標(biāo)，對于適應(yīng)度值較大的染色體個(gè)體將有較大的概率被選入新的種群，反之亦然。本文主要考慮對綜合排序Rank(aN,C)進(jìn)行評估，而在實(shí)際應(yīng)用中，僅僅考慮Rank(aN,C)中的第一個(gè)信道c。因此，可將信道c的綜合通信質(zhì)量作為遺傳算法Q(c)的適應(yīng)度函數(shù),即：

F(ω)=Q(c)

(20)

式中：ω是與參數(shù)向量θ所對應(yīng)的二進(jìn)制字符串，也是種群中一個(gè)個(gè)染色體個(gè)體。

3.4 基于遺傳算法的信道評估算法

(1) 隨機(jī)產(chǎn)生初始信道種群P0，其中每個(gè)染色體ωj都是由隨機(jī)產(chǎn)生的長度為q×n的二進(jìn)制串組成；

(2) 計(jì)算染色體的適應(yīng)度值。根據(jù)式(20)計(jì)算每個(gè)個(gè)體的染色體的適應(yīng)度值；

(3) 判斷終止化條件。終止條件是系統(tǒng)執(zhí)行之前設(shè)定的遺傳算法的進(jìn)化最大代數(shù)。如果符合上述終止條件，則終止算法的執(zhí)行，得出最優(yōu)染色體，根據(jù)最佳染色體計(jì)算出最佳權(quán)重；否則，轉(zhuǎn)到第(4)步。

(4) 選擇父染色體。在被選集(當(dāng)前種群)中，每個(gè)染色體具有一個(gè)適應(yīng)度值及其被選擇的概率P(ωj)。根據(jù)選擇操作，得出由父染色體組成的種群。

(5) 生成新種群。根據(jù)第(4)步中得到的父種群，按照交叉和變異操作，生成新種群，返回第(2)步。

3.5 控制算法

基于上述準(zhǔn)則，對于未知的信道可以有效地提高在感知過程的效率，同時(shí)可以更加合理地對信道的分配進(jìn)行優(yōu)化。

其工作流程如下：

步驟1基于感知頻譜的原理，對簇頭和網(wǎng)關(guān)節(jié)點(diǎn)處進(jìn)行信道感知。

步驟2使用網(wǎng)關(guān)節(jié)點(diǎn)下方簇頭進(jìn)行簇頭感知信道，對感知到的信道利用當(dāng)前網(wǎng)關(guān)節(jié)點(diǎn)感知干擾信號，記錄干擾與簇頭正常感知出現(xiàn)碰撞的次數(shù)。

步驟3利用記錄的碰撞次數(shù)對簇頭感知的信道采用在線評估的算法進(jìn)行排序，次數(shù)越多證明信道的可靠性越低。

步驟4基于簇頭處形成的信道感知矩陣，依據(jù)在線排隊(duì)模型，對網(wǎng)關(guān)處節(jié)點(diǎn)下的簇頭依據(jù)干擾次數(shù)和可靠性構(gòu)建不同的信道感知矩陣。

步驟5使用遺傳算法處理網(wǎng)關(guān)節(jié)點(diǎn)處的調(diào)控權(quán)數(shù)，利用遺傳算法解決權(quán)重問題。

4 仿真結(jié)果與分析

基于上述準(zhǔn)則，利用MATLAB軟件對同一網(wǎng)關(guān)節(jié)點(diǎn)下的不同簇頭處關(guān)于相同信道的感知生成數(shù)據(jù)集，生成的標(biāo)準(zhǔn)以周期相同，但感知工作時(shí)間不同，便于對實(shí)驗(yàn)的正確性進(jìn)行檢測。此處簇頭隨機(jī)敷設(shè)，信道具有16個(gè)，網(wǎng)關(guān)節(jié)點(diǎn)可根據(jù)當(dāng)前實(shí)際情況具體制定個(gè)數(shù)，根據(jù)上述給定的關(guān)于在線模型的計(jì)算方法對網(wǎng)關(guān)節(jié)點(diǎn)的故障感知概率進(jìn)行隨機(jī)統(tǒng)計(jì)。當(dāng)前針對簇頭處的實(shí)驗(yàn)，以第一網(wǎng)關(guān)節(jié)點(diǎn)進(jìn)行驗(yàn)證，利用軟件進(jìn)行實(shí)時(shí)設(shè)定，以信道中的可靠性為恒定指標(biāo)，利用干擾次數(shù)出現(xiàn)的頻率來認(rèn)定一個(gè)節(jié)點(diǎn)處感知的信道的質(zhì)量的好壞，利用在線排隊(duì)的模型對感知出的信道的好壞進(jìn)行實(shí)時(shí)排隊(duì)處理，分辨出當(dāng)前信道質(zhì)量的好壞。

對于上述提出的簇頭感知信道工作的時(shí)間與網(wǎng)關(guān)節(jié)點(diǎn)感知干擾信道的信號出現(xiàn)，利用MATLAB軟件對當(dāng)前的網(wǎng)關(guān)節(jié)點(diǎn)和簇頭進(jìn)行模擬實(shí)驗(yàn)。在使用軟件進(jìn)行模擬前，需要對信道傳輸信息的可靠性進(jìn)行預(yù)處理設(shè)定，即使用分布期望對信道傳輸信息的可靠性處理，設(shè)定實(shí)驗(yàn)原始信道可靠性。表1為實(shí)驗(yàn)的信道可靠性的數(shù)集表。

表1 信道的傳輸信息的可靠性

4.1 仿真步驟

步驟1建立簇頭感知信道的工作周期和網(wǎng)關(guān)節(jié)點(diǎn)感知干擾信號周期(如式(1)-式(3))。

步驟2利用建立的周期確定簇頭感知信道的概率與網(wǎng)關(guān)節(jié)點(diǎn)感知干擾信道的概率(如式(4))，對簇頭處的感知信道與網(wǎng)關(guān)節(jié)點(diǎn)進(jìn)行量化處理(如式(5)-式(7))。

步驟3利用矩陣建立相對應(yīng)的簇頭處的量化矩陣和網(wǎng)關(guān)節(jié)點(diǎn)的量化矩陣，對簇頭處的量化矩陣和網(wǎng)關(guān)節(jié)點(diǎn)的量化矩陣進(jìn)行在線處理，即每次利用對信道檢測出現(xiàn)的干擾與感知的信道結(jié)果進(jìn)行感知融合(如式(8))，其結(jié)果矩陣可提供在線排隊(duì)模型的實(shí)時(shí)排序。在s時(shí)刻的系統(tǒng)中，以出現(xiàn)結(jié)果矩陣的干擾次數(shù)對的信道和權(quán)重比列進(jìn)行構(gòu)建s時(shí)刻的簇頭信道隊(duì)列(如式(13)-式(14)，并使用簇頭權(quán)重調(diào)節(jié)因子(如式(15))對當(dāng)前的簇頭信道隊(duì)列進(jìn)行權(quán)重調(diào)節(jié)。

步驟4在簇頭處完成s時(shí)刻的信道排隊(duì)模型后，形成各小型排隊(duì)矩陣小型信道感知矩陣，利用當(dāng)前的網(wǎng)關(guān)節(jié)點(diǎn)對后續(xù)網(wǎng)關(guān)形成的小型信道矩陣進(jìn)行感知，可將后續(xù)每一個(gè)網(wǎng)關(guān)節(jié)點(diǎn)處形成的信道矩陣看成是一個(gè)較為準(zhǔn)確的專家意見。根據(jù)專家經(jīng)驗(yàn)，對網(wǎng)關(guān)節(jié)點(diǎn)處形成權(quán)重比列分配，以遺傳算法作為調(diào)節(jié)權(quán)重比列變化的基礎(chǔ)算法，對權(quán)重進(jìn)行實(shí)時(shí)分配優(yōu)化(如式(16))。

步驟5對當(dāng)前的網(wǎng)關(guān)節(jié)點(diǎn)制定編碼規(guī)則與適應(yīng)度函數(shù)，該編碼規(guī)則(如式(18)-式(19))為：xmax=1,xmin=0，滿足當(dāng)前對網(wǎng)關(guān)節(jié)點(diǎn)的需求。其適應(yīng)度函數(shù)為上述形成的Q(c)(如式(17)、式(20))。在經(jīng)過優(yōu)化權(quán)重后，可得出較為精確的權(quán)重比例分配。

4.2 簇頭下的在線感知模型實(shí)驗(yàn)結(jié)果分析

4.2.1調(diào)控通信事務(wù)周期變化感知實(shí)驗(yàn)

當(dāng)前對于工業(yè)上的信道處理分配的方法絕大部分都是以盲跳頻的方式處理信道的分配的，這就會使得在以可靠性為結(jié)果的信道上出現(xiàn)丟失或缺失等不必要的資源問題。在對簇頭處感知信道以及網(wǎng)關(guān)節(jié)點(diǎn)的實(shí)時(shí)感知干擾情況下，利用對周期進(jìn)行調(diào)控的同時(shí)可以很好地針對當(dāng)前的在線排隊(duì)模型和隨機(jī)盲跳頻模型的實(shí)時(shí)對比。利用在線排隊(duì)模型可以很好地解決在處理簇頭處的信道的分配和資源的合理配置，設(shè)定實(shí)驗(yàn)參數(shù)信道的可靠性。同時(shí)預(yù)處理通信事務(wù)的通信周期，在本實(shí)驗(yàn)中對簇頭的數(shù)量進(jìn)行恒定設(shè)定，以防止實(shí)驗(yàn)處理時(shí)會對實(shí)驗(yàn)結(jié)果造成不必要的影響，設(shè)定簇頭節(jié)點(diǎn)均為3個(gè)，表2為設(shè)定的通信事務(wù)周期。

表2 通信事務(wù)周期與簇頭數(shù)量

在使用相同簇頭節(jié)點(diǎn)的情況下，通過改變通信事務(wù)的周期對當(dāng)前信道處理，驗(yàn)證調(diào)控通信事務(wù)周期變化是否會對系統(tǒng)級的可靠性帶來變化。如圖4所示，實(shí)驗(yàn)1只改變通信事務(wù)周期的前提下，在線排隊(duì)可以達(dá)到83.5%左右的可靠性變化，未使用優(yōu)化排隊(duì)的可靠性維持在74%。這表明在線排隊(duì)模型可以有效提高系統(tǒng)級的可靠性，并大幅減少網(wǎng)關(guān)節(jié)點(diǎn)感知干擾信號。

圖4 實(shí)驗(yàn)1系統(tǒng)級可靠性變化

為了驗(yàn)證同時(shí)改變簇頭數(shù)量與通信事務(wù)周期前提下系統(tǒng)級的可靠性，避免因簇頭數(shù)量相同而造成實(shí)驗(yàn)與實(shí)際情形出現(xiàn)較大的誤差，在圖5中，實(shí)驗(yàn)2的在線排隊(duì)模型的系統(tǒng)級可靠性仍然可以很好地穩(wěn)定在83.5%，未使用優(yōu)化排隊(duì)的可靠性為74%。這充分說明了在對通信事務(wù)周期的調(diào)控下，使用在線排隊(duì)模型可以有效幫助簇頭中信道質(zhì)量較好的可以得到充分的利用，從而避免信息的缺失和資源的浪費(fèi)。

圖5 實(shí)驗(yàn)2系統(tǒng)級可靠性變化

4.2.2調(diào)控簇頭數(shù)量驗(yàn)證盲跳頻與在線排隊(duì)模型實(shí)驗(yàn)

通常而言對于工業(yè)使用信道的方法，在簇頭的數(shù)量不斷增加的情況下，都是以增多信道的方法來緩解盲跳頻，利用盲跳頻處理信道的分配是當(dāng)前的一種常用的方法，但是單純地使用盲跳頻會使系統(tǒng)級的可靠性呈現(xiàn)大幅度趨于低可靠性的勢態(tài)，利用在線排隊(duì)模型可以很好地解決這一問題。

如圖6所示，隨著簇頭的不斷增加，排序優(yōu)化的系統(tǒng)級可靠性均處于盲跳頻的水平之上，盲跳頻的曲線與排序優(yōu)化曲線逐漸呈現(xiàn)出下滑趨勢，直到簇頭增加至16時(shí)，排序優(yōu)化曲線開始呈現(xiàn)出緩慢下滑趨勢，其盲跳頻仍處于較快下滑趨勢。當(dāng)簇頭至20時(shí)，排序優(yōu)化曲線基本已保持小幅下滑的趨勢，而盲跳頻曲線仍大幅下滑。嚴(yán)格意義上來講，在大環(huán)境下，系統(tǒng)級的可靠性隨著大量的簇頭增加而呈現(xiàn)極小的下滑趨勢，為信息的傳輸提供保障。相反，隨著簇頭的增加，盲跳頻的下滑趨勢極大，不能為信息的傳輸提供保障。按照實(shí)驗(yàn)對比圖可以得出，在極大的信道數(shù)量和極多的簇頭使用情況下，在線排隊(duì)模型的方法遠(yuǎn)遠(yuǎn)大于實(shí)用盲跳頻所帶來的系統(tǒng)級的可靠性。

圖6 簇頭數(shù)量變化的系統(tǒng)級可靠性變化

4.3 網(wǎng)關(guān)節(jié)點(diǎn)數(shù)量變化對系統(tǒng)級可靠性的實(shí)驗(yàn)

利用網(wǎng)關(guān)節(jié)點(diǎn)數(shù)量的變化來調(diào)控關(guān)于系統(tǒng)級的可靠性的變化，其中作為衡量優(yōu)化后的與未優(yōu)化的系統(tǒng)級的可靠性，同時(shí)作為評價(jià)一個(gè)信道質(zhì)量的兩大評價(jià)手段，簇頭所評價(jià)的為當(dāng)前AP節(jié)點(diǎn)所帶來的局部影響，網(wǎng)管節(jié)點(diǎn)所評價(jià)的則為當(dāng)前系統(tǒng)級的信道質(zhì)量的問題。因此在對簇頭節(jié)點(diǎn)量級的實(shí)驗(yàn)后，應(yīng)當(dāng)對當(dāng)前系統(tǒng)級下的網(wǎng)關(guān)節(jié)點(diǎn)量級進(jìn)行實(shí)驗(yàn)與仿真，進(jìn)而充分說明在排序優(yōu)化后的網(wǎng)關(guān)節(jié)點(diǎn)的量級上升中與盲跳頻下的系統(tǒng)級的可靠性的變化，二者均可對系統(tǒng)級的可靠性做出合理的判定。

如圖7所示，執(zhí)行算法的排序優(yōu)化的系統(tǒng)級可靠性與盲跳頻下的系統(tǒng)級可靠性均呈現(xiàn)下滑趨勢。至主節(jié)點(diǎn)數(shù)為2時(shí)，其排序優(yōu)化的系統(tǒng)級可靠性比盲跳頻系統(tǒng)級可靠性高0.05,縱觀整個(gè)實(shí)驗(yàn)結(jié)果，排序優(yōu)化的下滑速率較盲跳頻的下滑速率快，但是從系統(tǒng)級的可靠性來說，在網(wǎng)關(guān)節(jié)點(diǎn)的數(shù)量沒有達(dá)到極多的前提下，使用優(yōu)化模型的系統(tǒng)級可靠性仍然比使用盲跳頻的系統(tǒng)級的可靠性高。在數(shù)量級達(dá)到16時(shí)，網(wǎng)關(guān)節(jié)點(diǎn)的系統(tǒng)級可靠性比盲跳頻的系統(tǒng)級可靠性高出3%，對于一個(gè)系統(tǒng)的穩(wěn)定性和精確性而言，優(yōu)化模型將會保障系統(tǒng)級的信息傳輸精確。

圖7 簇頭數(shù)量變化的系統(tǒng)級可靠性變化

4.4 網(wǎng)關(guān)節(jié)點(diǎn)處下重傳信息處理優(yōu)化信道問題驗(yàn)證

在實(shí)際運(yùn)行中，對于一個(gè)信息傳輸而言，通常達(dá)不到100%的傳輸成功。在工業(yè)上對于信息的傳輸都是采用一定的傳輸次數(shù)，以解決傳輸所帶來的失敗率和丟包率，因此網(wǎng)關(guān)節(jié)點(diǎn)處必定會出現(xiàn)一些重傳信息。這些重傳信息給實(shí)驗(yàn)結(jié)果帶來一定的誤差，利用實(shí)驗(yàn)對誤差進(jìn)行一定量級化的處理，處理后對算法與盲跳頻下的系統(tǒng)級的可靠性進(jìn)行實(shí)驗(yàn)。

如圖8所示，在網(wǎng)關(guān)節(jié)點(diǎn)出現(xiàn)重傳時(shí)，利用算法系統(tǒng)級的可靠性下滑速率較為平穩(wěn)，使用盲跳頻下的系統(tǒng)級的可靠性大幅下滑。在網(wǎng)關(guān)節(jié)點(diǎn)量級達(dá)到15后，使用算法優(yōu)化的系統(tǒng)級的可靠性相對平穩(wěn)，但使用盲跳頻的呈現(xiàn)下滑趨勢不變，在一段量級化后，使用算法排序優(yōu)化的系統(tǒng)級的可靠性將遠(yuǎn)遠(yuǎn)領(lǐng)先盲跳頻的系統(tǒng)級的可靠性。

圖8 出現(xiàn)重傳時(shí)網(wǎng)關(guān)節(jié)點(diǎn)數(shù)量變化系統(tǒng)級可靠性變化

4.5 網(wǎng)關(guān)節(jié)點(diǎn)下分配權(quán)重的遺傳算法

當(dāng)前對網(wǎng)關(guān)節(jié)點(diǎn)權(quán)重優(yōu)化和合理分配使用的遺傳算法，選取變異概率為0.05，交叉概率0.9，設(shè)定代溝0.9，對檢測的簇頭設(shè)定數(shù)量為10，網(wǎng)關(guān)節(jié)點(diǎn)8，并隨機(jī)敷設(shè)16個(gè)信道可靠性，其敷設(shè)的可靠性均處在可用之上并設(shè)定其中某些信道的可靠性處于不穩(wěn)定狀態(tài)(設(shè)定的可靠性符合實(shí)際情景)。算法結(jié)果如圖9所示。

圖9 權(quán)重比例優(yōu)化分配遺傳算法

在使用遺傳算法的時(shí)候，對權(quán)重比例進(jìn)行設(shè)定，其權(quán)重比例總和為1，利用隨機(jī)變異和交叉，實(shí)現(xiàn)基因的另創(chuàng)造和優(yōu)化基因。對網(wǎng)關(guān)節(jié)點(diǎn)的權(quán)重訓(xùn)練時(shí)，使用遺傳算法在迭代次數(shù)達(dá)到250代左右后系統(tǒng)的可靠性收斂，呈現(xiàn)穩(wěn)定趨勢，系統(tǒng)的可靠性收斂于0.734左右。250代之前系統(tǒng)的總體可靠性呈現(xiàn)下滑趨勢，為系統(tǒng)的不穩(wěn)定時(shí)期，在該時(shí)期系統(tǒng)的可靠性盡管比后期的可靠性高。但對于一個(gè)系統(tǒng)而言應(yīng)當(dāng)考慮的是對系統(tǒng)的穩(wěn)定性和可靠性，同時(shí)要滿足通信事務(wù)周期長、信息量多以及系統(tǒng)總體平穩(wěn)，而不是單純地考慮極短期的高效率、低回報(bào)的預(yù)期結(jié)果。

5 結(jié) 語

本文評價(jià)簇頭處的信道質(zhì)量是以感知信道工作以及網(wǎng)關(guān)節(jié)點(diǎn)感知干擾信號進(jìn)行質(zhì)量指標(biāo)評估。對每個(gè)簇頭構(gòu)建數(shù)學(xué)模型，可得到較為精確的在線排隊(duì)模型，對各簇頭處進(jìn)行有效的信道排序，形成簇頭處合理優(yōu)化的信道感知矩陣。根據(jù)較多簇頭處信道感知矩陣在線集合，實(shí)時(shí)綜合出簇頭處精準(zhǔn)的信道優(yōu)化排序。在各網(wǎng)關(guān)節(jié)點(diǎn)處利用專家經(jīng)驗(yàn)對網(wǎng)關(guān)節(jié)點(diǎn)處權(quán)重分配，以遺傳算法對權(quán)重在線集合進(jìn)行調(diào)節(jié)，簇頭處感知信道故障和感知簇頭集合對權(quán)數(shù)進(jìn)行優(yōu)化分配，得出最終優(yōu)化的信道資源配置。利用建立的數(shù)學(xué)模型和仿真軟件可以很好地對當(dāng)前的信道進(jìn)行很大程度上的優(yōu)化和篩選，符合對信道的設(shè)定。實(shí)驗(yàn)結(jié)果表明：優(yōu)化后的信道資源分配可以很好地調(diào)節(jié)信道問題，具有良好的穩(wěn)定性和較高的運(yùn)行效率，對系統(tǒng)的可靠性具有極大的提高，同時(shí)在收斂速度和搜索全局最優(yōu)解上有了一定的改進(jìn)和提高。